CN115932181B - 一种基于co2释放速率检测锈赤扁谷盗虫口密度的方法 - Google Patents
一种基于co2释放速率检测锈赤扁谷盗虫口密度的方法 Download PDFInfo
- Publication number
- CN115932181B CN115932181B CN202211626195.1A CN202211626195A CN115932181B CN 115932181 B CN115932181 B CN 115932181B CN 202211626195 A CN202211626195 A CN 202211626195A CN 115932181 B CN115932181 B CN 115932181B
- Authority
- CN
- China
- Prior art keywords
- grain
- theft
- release rate
- rust
- density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241001439624 Trichina Species 0.000 title claims description 7
- 235000013339 cereals Nutrition 0.000 claims abstract description 175
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 58
- 241000238631 Hexapoda Species 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 19
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 235000021329 brown rice Nutrition 0.000 claims description 21
- 241000209140 Triticum Species 0.000 claims description 19
- 235000021307 Triticum Nutrition 0.000 claims description 19
- 244000234609 Portulaca oleracea Species 0.000 claims description 2
- 235000001855 Portulaca oleracea Nutrition 0.000 claims description 2
- 235000007189 Oryza longistaminata Nutrition 0.000 claims 1
- 240000007594 Oryza sativa Species 0.000 claims 1
- 241000607479 Yersinia pestis Species 0.000 abstract description 27
- 238000001514 detection method Methods 0.000 abstract description 10
- 241000209094 Oryza Species 0.000 abstract description 8
- 235000009566 rice Nutrition 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 230000029058 respiratory gaseous exchange Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 206010039083 rhinitis Diseases 0.000 description 3
- 240000008338 Nigella arvensis Species 0.000 description 2
- 235000007413 Nigella arvensis Nutrition 0.000 description 2
- 235000016698 Nigella sativa Nutrition 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 235000013601 eggs Nutrition 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241001060517 Dicranolaius bellulus Species 0.000 description 1
- 241000209504 Poaceae Species 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Combustion & Propulsion (AREA)
- Wood Science & Technology (AREA)
- Botany (AREA)
- Catching Or Destruction (AREA)
- Insects & Arthropods (AREA)
- Pest Control & Pesticides (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Agricultural Chemicals And Associated Chemicals (AREA)
Abstract
本发明提供了一种基于CO2释放速率检测锈赤扁谷盗虫口密度的方法,属于储粮害虫检测技术领域。本发明提供的方法是基于不同储粮温度、储粮含水量、环境中CO2释放速率和锈赤扁谷盗虫口密度的关系,构建锈赤扁谷盗种群密度预测模型;测定储粮温度和储粮环境中CO2释放速率,带入所述锈赤扁谷盗种群密度预测模型中计算,得到储粮环境中锈赤扁谷盗虫口密度,进而对粮食虫害等级进行判定。本发明提供的方法能排除死虫、假死性害虫的干扰,并且还能检测到钻蛀性害虫的存在,具有高效、准确、方便的检测特点,适合大规模推广应用。
Description
技术领域
本发明属于储粮害虫检测技术领域,具体涉及一种基于CO2释放速率检测锈赤扁谷盗虫口密度的方法。
背景技术
储粮害虫是造成粮食数量和质量损失的重要生物因素之一。传统储粮害虫的监测方法主要是手动扦样法、诱捕器法,存在耗时费力、适用范围窄的难题,并且监测到有虫粮时,往往已经对储粮造成了巨大损失。与这些传统的储粮害虫监测方法相比,智能化、预警化早期监测技术可以帮助我们更及时地、准确地掌握储粮害虫发生情况,从而帮助粮库预防储粮害虫发生保护储粮安全,因此建设智能化粮库已经成为必然趋势。
目前,已经提出的几种智能化监测技术都各有不足,例如图像监测法只能自动识别活动的粮食籽粒外部的害虫,而无法区分钻蛀性害虫、假死性害虫和幼虫;电容传感器法存在效率不高问题;红外光电技术对样品的湿度敏感、不容易区分体态相近的害虫;声测法需要去除环境噪声的影响。因此,急需开发一套应用广泛、操作简单、可行性强且能够用于储粮害虫早期检测的智能化检测技术。
发明内容
有鉴于此,本发明的目的在于提供一种基于CO2释放速率检测锈赤扁谷盗虫口密度的方法,通过建立锈赤扁谷盗种群密度监测模型,为利用CO2监测虫粮情况提供理论依据,为实现储粮害虫早期监测建立了新的办法。
本发明提供了一种基于CO2释放速率检测锈赤扁谷盗虫口密度的方法,包括以下步骤:
基于不同储粮温度、储粮含水量、环境中CO2释放速率和锈赤扁谷盗虫口密度的关系,构建锈赤扁谷盗种群密度预测模型;
测定储粮温度和环境中CO2释放速率,带入所述锈赤扁谷盗种群密度预测模型中计算,得到环境中锈赤扁谷盗虫口密度。
优选的,所述储粮含水量为11.5%~12.5%时,锈赤扁谷盗种群密度预测模型见公式I:
Z=221.24735-15.30627X+10.78333Y+0.25647X2+0.08557Y2-0.3108XY
公式I
其中R2=0.94022;X为温度,单位为℃;Y为CO2释放速率,单位为ppm/h;Z为锈赤扁谷盗种群密度,单位为头/kg。
优选的,所述储粮含水量为12.6%~13.5%时,锈赤扁谷盗种群密度预测模型见公式II:
Z=237.53231-16.48262X+10.81887Y+0.27665X2+0.07455Y2-0.31026XY
公式II
其中R2=0.93665;X为温度,单位为℃;Y为CO2释放速率,单位为ppm/h;Z为锈赤扁谷盗种群密度,单位为头/kg。
优选的,所述储粮含水量为13.6%~14.5%时,锈赤扁谷盗种群密度预测模型见公式III:
Z=237.71237-16.53808X+10.38359Y+0.27835X2+0.07426Y2-0.30076XY
公式III
其中R2=0.93604;X为温度,单位为℃;Y为CO2释放速率,单位为ppm/h;Z为锈赤扁谷盗种群密度,单位为头/kg。
优选的,所述温度包括25℃~35℃。
优选的,所述锈赤扁谷盗中成虫和幼虫的数量比为1:(4.93~8.37)。
优选的,所述储粮为小麦。
优选的,所述储粮中害虫为锈赤扁谷盗。
本发明提供了一种基于CO2释放速率检测锈赤扁谷盗虫口密度的方法在虫粮等级判定中的应用。
优选的,所述虫粮等级包括小麦原粮基本无虫粮、一般虫粮和严重虫粮虫粮。
本发明提供了一种基于CO2释放速率检测锈赤扁谷盗虫口密度的方法,包括以下步骤:基于不同储粮温度、锈赤扁谷盗虫口密度和环境中CO2释放速率的关系,构建锈赤扁谷盗种群密度预测模型;测定储粮温度和环境中CO2释放速率,代入所述锈赤扁谷盗种群密度预测模型中计算,得到环境中锈赤扁谷盗虫口密度。本发明提供的方法是基于锈赤扁谷盗的CO2释放速率来检测锈赤扁谷盗的数量,通过明确了影响CO2释放速率的因素来构建锈赤扁谷盗种群密度检测模型,本发明提供的方法能排除死虫、假死性害虫的干扰,并且还能检测到钻蛀性害虫的存在,具有高效、准确、方便的检测特点,适合大规模推广应用。
具体实施方式
本发明提供了一种基于CO2释放速率检测锈赤扁谷盗虫口密度的方法,包括以下步骤:
基于不同储粮温度、储粮含水量、环境中CO2释放速率和锈赤扁谷盗虫口密度的关系,构建锈赤扁谷盗种群密度预测模型;
测定储粮温度和环境中CO2释放速率,代入所述锈赤扁谷盗种群密度预测模型中计算,得到环境中锈赤扁谷盗虫口密度。
本发明基于不同储粮温度、储粮含水量、环境中CO2释放速率和锈赤扁谷盗虫口密度的关系,构建锈赤扁谷盗种群密度预测模型。
在本发明中,虽然已有研究证实密闭的储粮环境中CO2含量会随着储粮害虫的滋生而积聚增加,但是锈赤扁谷盗虫口密度与CO2含量的具体关系至今无明确结果。基于该问题,本发明首先筛选了影响锈赤扁谷盗虫口密度的因素,结果表明储粮温度、储粮含水量和储粮害虫种类均会影响储粮环境中CO2呼吸速率。但由于本发明提供的方法仅针对锈赤扁谷盗爆发的储粮粮仓,故排除储粮害虫种类的影响。同时,粮仓中储粮本身的呼吸作用及其微弱,本发明对其进行了干扰扣除。本发明涵盖小麦水分11.5%~14.5%。此外,所述储粮温度优选为25℃~35℃。
在本发明中,当储粮含水量不同时,锈赤扁谷盗种群密度预测模型不同:
若所述储粮含水量优选为11.5%~12.5%时,锈赤扁谷盗种群密度预测模型优选见公式I:
Z=221.24735-15.30627X+10.78333Y+0.25647X2+0.08557Y2-0.3108XY
公式I
其中R2=0.94022,X为温度,单位为℃,Y为CO2释放速率,单位为ppm/h,Z为锈赤扁谷盗种群密度,单位为头/kg。所述储粮含水量更优选为12%。
若所述储粮含水量为12.6%~13.5%时,锈赤扁谷盗种群密度预测模型优选见公式II:
Z=237.53231-16.48262X+10.81887Y+0.27665X2+0.07455Y2-0.31026XY
公式II
其中R2=0.93665,X为温度,单位为℃,Y为CO2释放速率,单位为ppm/h,Z为锈赤扁谷盗种群密度,单位为头/kg。所述储粮含水量更优选为13%。
当所述储粮含水量优选为13.6%~14.5%时,锈赤扁谷盗种群密度预测模型优选见公式III:
Z=237.71237-16.53808X+10.38359Y+0.27835X2+0.07426Y2-0.30076XY
公式III
其中R2=0.93604;X为温度,单位为℃;Y为CO2释放速率,单位为ppm/h;Z为锈赤扁谷盗种群密度,单位为头/kg。所述储粮含水量更优选为14%。
在本发明中,成虫和幼虫比也是影响锈赤扁谷盗CO2释放速率的关键影响因素,结果表明,成虫的呼吸速率显著高于幼虫。据郝广凯等人(郝广凯,曾伶,劳传忠,曾玲.温度对锈赤扁谷盗生长发育及种群变动的影响[J].粮食储藏,2015,44(1):1-5.)报道,储粮害虫锈赤扁谷盗种群其成虫和幼虫的比例在25℃、30℃、35℃环境中分别为1:6.62、1:8.37和1:4.93。本发明所述锈赤扁谷盗中成虫和幼虫的数量比优选为1:(4.93~8.37)。
在本发明中,所述储粮优选为小麦。通过验证本发明构建的锈赤扁谷盗种群密度预测模型,结果表明,采用本发明的方法预测的锈赤扁谷盗的种群密度与实际检测的锈赤扁谷盗的数量较为接近,说明本发明提供的方法具有较高的检测准确性,同时操作方便,适合大规模推广应用。
基于上述结果,本发明还提供了一种基于CO2释放速率检测锈赤扁谷盗虫口密度的方法在虫粮等级判定中的应用。
在本发明中,所述虫粮等级优选包括小麦原粮基本无虫粮、一般虫粮和严重虫粮虫粮。所述虫粮等级的判定方法优选根据《GB/T 29890-2013粮油储藏技术规范》中对虫粮等级划分及等级指标来确定,具体为锈赤扁谷盗感染小麦等级分为:≤5头/Kg为基本无虫粮,6~30头/Kg(包含端点值)为一般虫粮,>30头/Kg为严重虫粮。
下面结合实施例对本发明提供的一种基于CO2释放速率检测锈赤扁谷盗虫口密度的方法进行详细的说明,但是不能把它们理解为对本发明保护范围的限定。
实施例1
一种储粮害虫锈赤扁谷盗种群密度预测模型的构建方法
1.试虫培养
试虫锈赤扁谷盗由南京财经大学生态储粮研究室饲养保种。随机选取试验试虫200头置于500mL广口瓶中,瓶中含有150g饲料(破碎的小麦粒和酵母粉的比例为9:1),于(30±0.5)℃,相对湿度75%,黑暗环境下的培养箱中饲养。待成虫产卵3d后,将成虫移出,保持饲料中的卵继续培养(3d内的卵视为同一龄期),所产生的子代即为龄期一致试虫,随后挑选对应虫态试虫进行相关试验。
2.不同虫口数量锈赤扁谷盗在不同环境条件下CO2释放速率
将2Kg不同水分含量(12%、13%、14%)的小麦放在5L玻璃器皿中,分别接入0、2、5、10、20、30头锈赤扁谷盗成虫和幼虫,偶数虫口的成虫按雌雄性别比1:1设置,奇数虫口的成虫按照雌雄比3:2。将三合一数据存储式CO2探测器(型号B1010,购自深圳市沃赛特科技有限公司)放入其中后,密闭实验装置,分别置于25℃、30℃和35℃的储粮温度条件下监测锈赤扁谷盗的呼吸速率,三合一数据存储式CO2探测器设置每隔1h记录一次数据,连续记录3d。不同虫口数量锈赤扁谷盗在不同环境条件下CO2释放速率实验结果见表1和表2。
表1不同虫口数量锈赤扁谷盗成虫在不同环境条件下CO2释放速率
表2不同虫口数量锈赤扁谷盗幼虫在不同环境条件下CO2释放速率
以上实验结果表明,(1)不同水分含量的(12%、13%、14%)无虫粮食在不同储粮温度下(25℃、30℃、35℃),其CO2释放速率远小于有虫粮;(2)在同一储粮环境条件下(粮食水分、储藏温度等相同),储粮害虫锈赤扁谷盗不同虫态(成虫、幼虫)呈现不同的CO2释放速率,成虫呼吸CO2释放速率大于幼虫;(3)在同一储粮环境条件下(粮食水分、储藏温度等相同),储粮环境中CO2释放速率随着小麦中感染锈赤扁谷盗虫口的增加而逐渐上升;(4)粮食含水量、储粮温度显著影响储粮害虫锈赤扁谷盗CO2释放速率,且呈正相关关系。因此,在小麦原粮储藏中,粮食含水量、储粮温度对储粮害虫锈赤扁谷盗CO2释放速率有显著影响,而小麦本身呼吸产生CO2在有虫粮食储藏环境总CO2释放速率中占比很小,特别是一般虫粮和严重虫粮情况下,此外,在检测锈赤扁谷盗虫口密度方法建立中应考虑储粮害虫锈赤扁谷盗成虫与幼虫两类不同虫态的影响。
3.储粮害虫锈赤扁谷盗种群密度预测模型建立
基于上述不同虫口数量锈赤扁谷盗在不同环境条件下CO2释放速率实验结果,结合初期稳定的锈赤扁谷盗种群在25℃、30℃、35℃环境中幼虫与成虫的比例分别为1:6.62、1:8.37、1:4.93(郝广凯,曾伶,劳传忠,曾玲.温度对锈赤扁谷盗生长发育及种群变动的影响[J].粮食储藏,2015,44(1):1-5.),采用OriginLab软件基于Levernberg-Marquardt算法(LMA)的非线性最小二乘法,建立锈赤扁谷盗种群密度预测模型。
拟合12%小麦水分含量下,锈赤扁谷盗种群密度预测模型:
Z=221.24735-15.30627X+10.78333Y+0.25647X2+0.08557Y2-0.3108XY,
R2=0.94022 (1)
式中X为温度(℃),Y为CO2释放速率(ppm/h),Z为锈赤扁谷盗种群密度(头/kg);
拟合13%小麦水分含量下,锈赤扁谷盗种群密度预测模型:
Z=237.53231-16.48262X+10.81887Y+0.27665X2+0.07455Y2-0.31026XY,
R2=0.93665 (2)
式中X为温度(℃),Y为CO2释放速率(ppm/h),Z为锈赤扁谷盗种群密度(头/kg);
拟合14%小麦水分含量下,锈赤扁谷盗种群密度预测模型:
Z=237.71237-16.53808X+10.38359Y+0.27835X2+0.07426Y2-0.30076XY,
R2=0.93604 (3)
式中X为温度(℃),Y为CO2释放速率(ppm/h),Z为锈赤扁谷盗种群密度(头/kg)。
实施例2
一种储粮害虫锈赤扁谷盗种群密度预测模型的验证
根据《GB/T 29890-2013粮油储藏技术规范》中对虫粮等级划分及等级指标,锈赤扁谷盗感染小麦等级分为:≤5头/Kg为基本无虫粮,6~30头/Kg(包含端点值)为一般虫粮,>30头/Kg为严重虫粮。
在南京财经大学生态储粮实验室开展模型验证,在不同虫粮等级模拟储粮罐(5L,含2Kg小麦,感染储粮害虫仅为锈赤扁谷盗)中置入三合一数据存储式CO2探测器(同实施例1),密闭实验装置,置于不同储粮温度条件下监测锈赤扁谷盗的呼吸速率,计算锈赤扁谷盗的虫口密度,同时,按照《GB/T 29890-2013粮油储藏技术规范》储粮害虫检验方法——筛检法,进行人工检验锈赤扁谷盗虫口密度。实验结果如表3所示。
表3储粮环境中锈赤扁谷盗虫口密度预测与人工复检结果比对
上述验证实验结果显示,本发明锈赤扁谷盗虫口密度检测模型计算结果与人工检验检测结果判定一致性较好,表明本发明锈赤扁谷盗虫口密度检测模型具有较高的准确性。
实施例3
一种储粮害虫锈赤扁谷盗种群密度预测模型的应用
为了评价本发明锈赤扁谷盗虫口密度检测方法在粮食储藏实仓中应用效果,采用中小型模拟粮仓(申请号:CN201610044210.X)开展模拟实仓验证。该模拟粮仓装置设计容量为250Kg谷物,在模拟实验验证中,填充小麦为200Kg,具体实施方法为:将200Kg不同虫粮等级小麦(感染储粮害虫仅为锈赤扁谷盗)置入模拟粮仓,置于不同储粮温度条件下储藏一周,置入三合一数据存储式CO2探测器,密闭实验装置,监测锈赤扁谷盗的呼吸速率,计算锈赤扁谷盗的虫口密度,同时,按照《GB/T 29890-2013粮油储藏技术规范》储粮害虫检验方法——筛检法,进行人工检验锈赤扁谷盗虫口密度。实验结果如表4所示。
表4储粮环境中锈赤扁谷盗虫口密度预测实仓验证
在上述模拟粮仓中开展实际应用结果显示,锈赤扁谷盗虫口密度进行预测结果与人工检测结果一致性非常好,表明本发明锈赤扁谷盗虫口密度检测方法具有准确、简便、快速等特点。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于CO2释放速率检测锈赤扁谷盗虫口密度的方法,其特征在于,包括以下步骤:
基于不同储粮温度、储粮含水量、环境中CO2释放速率和锈赤扁谷盗虫口密度的关系,构建锈赤扁谷盗种群密度预测模型;
测定储粮温度和环境中CO2释放速率,代入所述锈赤扁谷盗种群密度预测模型中计算,得到储粮环境中锈赤扁谷盗虫口密度;
所述储粮含水量为11.5%~12.5%时,锈赤扁谷盗种群密度预测模型见公式I:
Z=221.24735-15.30627X+10.78333Y+0.25647X2+0.08557Y2-0.3108XY
公式I
其中R2=0.94022;X为温度,单位为℃;Y为CO2释放速率,单位为ppm/h;Z为锈赤扁谷盗种群密度,单位为头/kg;
所述储粮含水量为12.6%~13.5%时,锈赤扁谷盗种群密度预测模型见公式II:
Z=237.53231-16.48262X+10.81887Y+0.27665X2+0.07455Y2-0.31026XY
公式II
其中R2=0.93665;X为温度,单位为℃;Y为CO2释放速率,单位为ppm/h;Z为锈赤扁谷盗种群密度,单位为头/kg;
所述储粮含水量为13.6%~14.5%时,锈赤扁谷盗种群密度预测模型见公式III:
Z=237.71237-16.53808X+10.38359Y+0.27835X2+0.07426Y2-0.30076XY
公式III
其中R2=0.93604;X为温度,单位为℃;Y为CO2释放速率,单位为ppm/h;Z为锈赤扁谷盗种群密度,单位为头/kg。
2.根据权利要求1所述基于CO2释放速率检测锈赤扁谷盗的方法,其特征在于,所述温度包括25℃~35℃。
3.根据权利要求2所述基于CO2释放速率检测锈赤扁谷盗的方法,其特征在于,所述锈赤扁谷盗中成虫和幼虫的数量比为1:(4.93~8.37)。
4.根据权利要求1所述基于CO2释放速率检测锈赤扁谷盗的方法,其特征在于,所述储粮包括小麦。
5.权利要求1~4任意一项所述基于CO2释放速率检测锈赤扁谷盗虫口密度的方法在虫粮等级判定中的应用。
6.根据权利要求5所述应用,其特征在于,所述虫粮等级包括小麦原粮基本无虫粮、一般虫粮和严重虫粮。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211626195.1A CN115932181B (zh) | 2022-12-15 | 2022-12-15 | 一种基于co2释放速率检测锈赤扁谷盗虫口密度的方法 |
US18/170,321 US20240219362A1 (en) | 2022-12-15 | 2023-02-16 | Method for detecting population density of cryptolestes ferrugineus based on co2 release rate |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211626195.1A CN115932181B (zh) | 2022-12-15 | 2022-12-15 | 一种基于co2释放速率检测锈赤扁谷盗虫口密度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115932181A CN115932181A (zh) | 2023-04-07 |
CN115932181B true CN115932181B (zh) | 2024-08-30 |
Family
ID=86652429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211626195.1A Active CN115932181B (zh) | 2022-12-15 | 2022-12-15 | 一种基于co2释放速率检测锈赤扁谷盗虫口密度的方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240219362A1 (zh) |
CN (1) | CN115932181B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109990826A (zh) * | 2018-11-20 | 2019-07-09 | 国家粮食和物资储备局科学研究院 | 一种储粮生物危害的检测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101055263B (zh) * | 2006-04-14 | 2011-03-23 | 河南工业大学 | 农产品储运期间有害生物活动监测的方法 |
CN103344742B (zh) * | 2013-07-16 | 2015-02-18 | 河南工业大学 | 一种粮仓储粮虫霉活动危害度预测的方法 |
CN106665527A (zh) * | 2016-12-19 | 2017-05-17 | 山东省果树研究所 | 一种昆虫病原线虫种群密度检测装置及检测方法 |
CN109084841A (zh) * | 2018-08-23 | 2018-12-25 | 成都比斯特科技有限责任公司 | 多参数粮情检测系统 |
CN111369376A (zh) * | 2020-01-10 | 2020-07-03 | 广东省四〇一厂 | 一种惠农大数据系统平台 |
-
2022
- 2022-12-15 CN CN202211626195.1A patent/CN115932181B/zh active Active
-
2023
- 2023-02-16 US US18/170,321 patent/US20240219362A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109990826A (zh) * | 2018-11-20 | 2019-07-09 | 国家粮食和物资储备局科学研究院 | 一种储粮生物危害的检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
A study on the feasibility of quantifying the population density of stored product insects in air-tight grain storage using CO2 concentration measurements;Chukiat Chotikasatian 等;Journal of Stored Products Research;20171231;21-29 * |
Also Published As
Publication number | Publication date |
---|---|
US20240219362A1 (en) | 2024-07-04 |
CN115932181A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Daglish et al. | Phosphine resistance in Sitophilus oryzae (L.) from eastern Australia: Inheritance, fitness and prevalence | |
Maier et al. | Monitoring carbon dioxide levels for early detection of spoilage and pests in stored grain. | |
CN102353701B (zh) | 一种利用挥发物的农作物虫害诊断方法 | |
CN107300553A (zh) | 一种基于可储存式气敏传感器的鱼类生物胺含量检测方法 | |
CN108254513A (zh) | 一种鱼类货架期的判断方法及装置 | |
CN110531039B (zh) | 一种基于WiFi设备的粮食霉变检测方法及装置 | |
Mishra et al. | Sensor array optimization and determination of Rhyzopertha dominica infestation in wheat using hybrid neuro-fuzzy-assisted electronic nose analysis | |
Trudnowska et al. | Taxonomic and size structures of zooplankton communities in the fjords along the Atlantic water passage to the Arctic | |
Lv et al. | Analysis of fish spoilage by gas chromatography–mass spectrometry and electronic olfaction bionic system | |
Wu et al. | Feasibility of the application of electronic nose technology to detect insect infestation in wheat. | |
Case | Patterns of coexistence in sexual and asexual species of Cnemidophorus lizards | |
CN115932181B (zh) | 一种基于co2释放速率检测锈赤扁谷盗虫口密度的方法 | |
Papanikolaou et al. | Do temperature, relative humidity and interspecific competition alter the population size and the damage potential of stored-product insect pests? A hierarchical multilevel modeling approach | |
Castrica et al. | Evaluation of smart portable device for food diagnostics: A preliminary study on Cape Hake fillets (M. Capensis and M. Paradoxus) | |
Belias et al. | Small produce farm environments can harbor diverse Listeria monocytogenes and Listeria spp. populations | |
Rabieyan et al. | Morpho-colorimetric seed traits for the discrimination, classification and prediction of yield in wheat genotypes under rainfed and well-watered conditions | |
Lin et al. | Visual assessment of soil structural quality across soil textures and compaction levels–Part I: Examination of intact soil cores | |
Davies et al. | Exploring seed longevity of UK native trees: implications for ex situ conservation | |
Kaushik et al. | Sensing technologies used for monitoring and detecting insect infestation in stored grain | |
Guo | Kernel and bulk density changes due to moisture content, mechanical damage, and insect damage | |
CN116894741A (zh) | 一种基于co2释放速率检测赤拟谷盗虫口密度的方法 | |
Flores et al. | Local disturbance, forest structure and dispersal effects on sapling distribution of light-demanding and shade-tolerant species in a French Guianian forest | |
CN109990826B (zh) | 一种储粮生物危害的检测方法及装置 | |
Watts et al. | Postharvest resistance in hard spring and winter wheat varieties of the northern great plains to the lesser grain borer (Coleoptera: Bostrichidae) | |
Hagstrum et al. | Monitoring and decision tools |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |